基于多尺度增强滤波器和3D形状特征的肺结节自动检测方法(笔记一)

-----------------------------------------------Hessian Matrix-泰勒展开及海森矩阵---------------------------------------------------

多维空间中一个点的二阶导数，往往用来表示该点梯度下降的快慢。

在二维图像中，海森矩阵是二维正定矩阵，有两个特征值和对应的两个特征向量。两个特征值表示图像在两个特征向量所指方向上图像变化的各向异性。

很显然，圆具有最强的各项同性，线性越强的结构越具有各向异性。

如果利用特征向量与特征值构成一个椭圆，那么这个椭圆就标注出了图像变化的各向异性。

应用情景：
以二维图像为例，图像中的点性结构具有各项同性，而线性结构具有各向异性。因此我们可以利用海森矩阵对图像中的线性结构进行增强，滤去点状的结构和噪声点。同样，也可以用于找出图像中的点状结构，滤除其他信息。

研究意义：由于血管的密度和CT值与结节相似，并且结节和血管通常在病变区域内交叉，因此检测系统的准确性和有效性无法满足临床需求， 这些情况可能导致误报和较低的准确性。

目的：能够有效检测肺结节并减少假阳性率，可用于区分结节和血管。

方法过程描述：

（1）肺实质分割：使用迭代阈值和区域增长算法。

  ①迭代阈值：计算出最优阈值，进行图像二值化处理；并提取ROI

（2）肺结节和血管图像增强：针对肺结节（球形）和血管（管状）两种模型，进行Hessian矩阵操作，分别增强点状的结构（肺结节）、线性结构（血管），从而构造两种类型的多尺度（点线面）增强滤波器，增强3D肺部图像中的结节和血管图像，并去除结节图像中的大多数血管图像以获得疑似结节图像。

【说明：结节和血管在形态上分别显示球形和管状特征，并且结节和血管的3D图像可以分别视为球形和圆柱形。因此，这里采用Hessian矩阵进行处理，增强结节图像和血管图像，针对Li算法中的缺陷，我们进行了改进！】

（3）多尺度对增强图像处理：运用高斯函数的多尺度计算， 利用高斯函数同时对图像进行卷积、去噪和平滑处理，实现了图像的多尺度增强。

-------------------------------进一步优化-----------------------------

从结节图像中去除重叠部分可以消除血管，但是会保留一些假阳性结节，例如血管相交点。接下来操作将主要进行细分提取；

（4） 特征提取所有候选结节：18邻域区域增长方法提取所有肺结节。

【18个邻域生长算法核心：对于所有种子点，计算18个邻域体素与种子点之间的特征向量的欧式距离D。 如果D小于阈值Td，则将这些体素点将扩展到种子区域，作为新循环的种子点，直到种子区域的大小不变！】

（5）表面法线方向角直方图：能够反映肺结节表面法向量方向的概率分布。

【说明：结节的法线方向均匀呈放射状，没有主方向，而血管的法线方向与血管内血流方向一致。因此，结节和血管可以通过体素的法线方向分布来区分！】

（6）肺结节分类：支持向量机SVM。